Python 문자열

'abc'

"abc"

'''

''' # 다중행 주석으로도 쓴다

문자열 연산

'Python' + '뽀개기'

'Python' == 'Python' # True

'Python'.count('') # 문자 6, 빈 공백 7

문자열 나누기

info = 'Smith 25'

res = info.split() # 공백으로 나눈다

type(res) # list

(name, age) = res # ['Smith', '25'] # 튜플(tuple) 자료형, 자료구조를 바꿀 수 없다, 괄호 생략 가능

print(f'{name}, {age}') # Smith, 25

문자열 자르기

s = 'abcde'

s[0] # 'a'

#s[0] = 'f' # 문자열은 상수로 쓰이기 때문에 이 코드는 오류이다

s[0:4:1] # 'abcd', start:stop:step, 0 ~ 4까지 잘라서 가져온다

서식 문자열

# Smith의 나이=25

name = 'Smith'

age = 25

- % 사용법

'%s의 나이=%s' %(name, age) # Smith의 나이=25

- format() 함수 사용하기

'{}의 나이={}'.format(name,age)

- f-string 사용 (가장 권장되는 방법, 성능도 제일 빠르다)

f'{name}의 나이={age}'

문자열 바꾸기

s = 'abcd'

# 문자열 s의 'ab' 부분을 'fg'로 바꾸기

s.replace('ab','fg') # 문자열을 바꾸지는 않고 새로운 문자열을 반환한다

s = s.replace('ab','fg') # 문자열을 새로운 문자열로 바꾼다

문자열 합치기

s = 'abcde'

' '.join(s) # 'a b c d e', 새로운 문자열을 반환한다

공백 제거

" abc ".strip() # 'abc'

"abc ".rstrip() # 'abc'

" abc".lstrip() # 'abc'

대문자 소문자 변환

'abcde'.upper() # 'ABCDE'

'ABCDE'.lower() # 'abcde'

이 블로그의 인기 게시물

React 시작하기

App.js import Hello from './comp/Hello' ; function App() { return ( < div className = "App" > < Hello /> </ div > ); } export default App; export default App; Hello.js import './Hello.css' ; function Hello() { return ( < h1 > Hello, World! </ h1 > ); } export default Hello; Hello.css h1 { color : red; }

Python 인공신경망 추천 시스템(회귀)

예제 # 인공신경망을 이용한 추천 시스템 # - 순차형(Sequential) 신경망 생성법 # - 함수형(Functional) 신경망 생성법 # - 지금까지 나온 추천 방식 중에서 가장 좋은 성능 # - Regression 방식으로 분석가능 # - 영화의 평점 정보(userid, movieid, rating) # - 이용자는 영화에 대한 취향이 모두 다르다 # - 영화는 다양한 장르가 혼합되어 있다 # - 이용자는 자신의 취향에 맞는 영화에 높은 rating을 제시함 # - 어떤 이용자에게 어떤 장르의 영화를 추천할 것인가? # __call__() 함수를 가진 클래스는 파이썬 함수 callable(클래스)를 사용하면 True를 반환한다 from tensorflow.keras.models import Sequential, Model from tensorflow.keras.layers import Dense, Embedding, Input input = Input(shape=(1,)) # 함수형 신경망 생성법 hidden1 = Dense(2, activation='relu')(input) # Dense(2, activation='relu')__call__() hidden2 = Dense(2, activation='relu')(hidden1) # callable.object callable(Dense) # __call__ 함수가 있으면 True, 없으면 False # Using Functional API from keras.models import Sequential from keras.layers import * model = Sequential() model.add(Input(shape=(3,))) # Input tensor model.add(Dense(4)) # hidden layer 1 model.add(Dense(units=4)) # hidden layer 2 model.add(Dense(units=1)) # ou...

Python Sklearn make_regression

from sklearn.datasets import make_regression import matplotlib.pyplot as plt X, y = make_regression(n_samples=250, n_features=1, noise=50, random_state=2) plt.scatter(X,y, s=2) plt.show() from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split # 한글 깨짐 없이 나오게 설정 from matplotlib import rcParams # 인코딩 폰트 설정 rcParams['font.family'] = 'New Gulim' rcParams['font.size'] = 10 x_train, x_test, y_train, y_test = train_test_split(X,y, test_size=.20, random_state=0) x_train.shape, x_test.shape, y_train.shape, y_test.shape # 모델 생성 model = LinearRegression() # 학습하기 model.fit(x_train, y_train) # 가중치, 편향치 구하기 model.coef_, model.intercept_ # (array([90.11061494]), 2.4224269924448585) # 결정 계수 model.score(x_train, y_train) # 0.789267454050733 # 추정 pred = model.predict(x_test) # 산점도 plt.scatter(x_test,y_test) plt.plot(x_test, pred, 'r-') plt.show() # 추정 model.predict([[3.0]]) # 학습할 때 주는 데이터의 형식을 따른다 # x의 최소값, 최대값을 계수와 절편을 사용하여 ...

다루한의 코딩공부

이 블로그 검색